XiaoMi-AI文件搜索系统
World File Search SystemIntrusion
区块链和人工智能在 6G 物联网网络中实现协作入侵检测
摘要 —6G 技术的出现为物联网 (IoT) 的空前进步铺平了道路，开创了超连接和无处不在的通信时代。然而，随着 6G 物联网生态系统中互联设备的激增，恶意入侵和新网络威胁的风险变得更加突出。此外，人工智能融入 6G 网络带来了额外的安全问题，例如对抗性攻击人工智能模型的风险以及人工智能可能被滥用于网络威胁。因此，在 6G 环境中，保护广泛而多样的连接设备是一个巨大的挑战，需要重新考虑以前的安全传统方法。本文旨在通过提出一种依赖于人工智能和区块链技术的新型协作入侵检测系统 (CIDS) 来应对这些挑战。所提出的 CIDS 的协作性质促进了一种集体防御方法，其中物联网网络中的节点主动共享威胁情报，从而实现快速响应和缓解。通过全面的模拟和概念验证实验评估了所提系统的有效性。结果表明，该系统能够有效检测和缓解伪造和零日攻击，从而加强 6G 物联网环境的安全基础设施。索引术语 —AI、区块链、6G 网络、安全、协作入侵检测、零日攻击、安全
基于PCA的入侵检测系统的案例研究
量子计算有望彻底改变我们对计算限制的理解，并且它在加密术中的含义长期以来已经很明显。今天，密码学家正在积极设计量子解决方案，以应对支持量子的对手所构成的威胁。同时，量子科学家正在创新量子协议，以增强捍卫者的能力。但是，仍需要探索量子计算和量子机学习（QML）对其他网络安全域的更广泛影响。在这项工作中，我们研究了QML对传统ML网络安全应用的潜在影响。首先，我们探讨了与网络安全特别相关的机器学习问题中量子计算的潜在优势。然后，我们描述了一种量化易于故障QML算法对现实世界问题的未来影响的方法。作为一个案例研究，我们将方法应用于网络入侵检测中的标准方法和数据集，这是机器学习在网络安全中研究最多的应用之一。我们的结果提供了有关获得量子优势的条件以及对未来量子硬件和软件进步的需求的洞察力。
从挑战到机遇：基于AI的车载入侵检测系统的全面研究
摘要 - 对基于ML的车载入侵检测系统（IV-ID）进行了重大研究，但这些系统的实际应用需要进一步完善。IV-IDS的关键性性质要求进行精确和审视的评估和可行性评估指标。本文通过进行严格的基于ML的IV-IDS分析来满足这种需求。我们对最近的汽车取证研究进行了详尽的审查，这些研究焦点介绍了与工具网络相关的约束以及相关的安全/安全要求，以揭示现有文献中当前的差距。通过解决IV-IDS中AI的局限性，本文有助于现有的研究语料库，并定义了车载网络系统的相关基线指标。本质上，我们将现实世界自动驾驶汽车的要求与安全域的要求调和，从而评估了基于AI的入侵检测系统的可行性。索引术语 - 机器学习，入侵检测，前提，车载网络
网络知情性：使用CVSS增加对入侵检测系统的信任
入侵检测系统（IDSS）是必不可少的网络安全组合。以前的网络攻击检测方法更多地依赖于签名和规则来检测网络攻击，尽管过去十年来范式发生了变化，机器学习（ML）实现了更有效，更灵活的统计方法。，ML目前无法将网络安全信息集成到其内部运作中。本文介绍了网络知情性，这是一个新的指标，考虑到网络安全信息，以更明智地表示绩效，受到遇到的攻击的严重性的影响。该指标在网络安全方面使用了事实：共同的漏洞评分系统（CVSS）。在两个公共数据集上的结果表明，这种新的度量标准验证了使用通用指标获得的结果。此外，这种新的度量强调了基于ML的IDSS，优先考虑了严重攻击的高度绩效，这对通用指标看不到。因此，这个新的指标通过弥合ML和网络安全之间的差距很好地完成了通用指标。
使用机器学习的网络入侵检测
摘要。随着网络攻击的越来越复杂和频率的日益增长，对于可以实时检测和防止违规的有效系统的迫切需要。基于AI/ML的网络入侵检测系统（NID）通过分析流量模式来确定防火墙，路由器和网络基础架构中的安全漏洞来满足这一需求。通过集成机器学习算法 - K-Nearest邻居（KNN），支持向量机（SVM）和随机森林，该系统能够检测已知的网络威胁和以前看不见的攻击矢量。与密切依赖预定义折衷指标（IOC）的传统方法不同，该系统利用异常检测技术，使其能够识别新的和新兴的威胁。随着网络攻击的发展，组织必须采用自适应方法来保护其网络。该系统在对网络流量进行分类方面具有很高的准确性，并提供了可疑活动的早期警告的实时警报。它还包括直观的可视化，帮助网络管理员了解攻击性质和范围。随着日益复杂且频繁的网络攻击的兴起，此NIDS为增强网络安全性和响应功能提供了强大的解决方案。
引用本研究：Bhadauria, A.P.S., Singh M., Kumar, R., & Kumar, A., (2025)。使用机器学习 T 进行边缘计算中的实时入侵检测
边缘计算的普及为通过在更靠近数据源的地方处理数据，优化延迟敏感和带宽密集型应用程序带来了新的机会。此外，这种范式转变也带来了独特的安全挑战，特别是在入侵检测领域。在边缘计算环境中，数据在更靠近数据源的网络边缘进行处理，实时入侵检测对于保障系统安全至关重要。攻击者也在利用边缘网络的快速扩展。相反，由于行为复杂、处理能力低下，传统的入侵检测系统 (IDS) 无法检测到高速实时网络中最新类型的攻击模式。本研究介绍了一种开发有效 IDS 模型来处理实时网络中此类威胁的新方法，并探讨了针对边缘计算环境的实时入侵检测系统 (IDS) 的设计和实现。所提出的模型被认为是系统性和可靠的，并且采用了监督式机器学习 (ML) 技术。目标是实时准确地识别和分类网络中的有害入侵或恶性活动。为了训练和测试模型，本研究使用了一个自创的数据集，该数据集同时利用了恶意和良性的 PCAP（数据包捕获文件）。为了确定 IDS 模型的有用性，使用随机森林、决策树、额外树和 K-最近邻作为分类技术。所提出的 IDS 模型在适应性和可扩展性等几个因素上表现出色。该模型还产生了更高的准确度、检测率、F 度量、精确度、召回率和更低的 FPR。
网络入侵检测（NID）的比较分析...
网络入侵检测系统 (NIDS) 是现代网络安全框架的重要组成部分，旨在检测和缓解网络内的恶意活动。本研究探索了人工智能 (AI) 技术（包括机器学习 (ML) 和 DL）的应用，通过准确的入侵检测来提高网络安全。使用 CIS-CICIDS2017 数据集，采用了全面的预处理流程，包括数据清理、基于 SMOTE 的平衡、最小-最大规范化和特征选择。随机森林 (RF) 模型表现出优异的性能，准确率为 99.90%，精确率为 97.78%，召回率为 97.08%，F1 得分为 97.41%。与决策树 (DT)、堆叠 LSTM 和 AdaBoost 模型的比较分析突出了 RF 在检测和分类网络流量方面的稳健性。未来的研究旨在优化特征工程并探索混合 AI 模型，以改进动态网络环境中的实时入侵检测。
基于机器学习的网络入侵检测优化云计算环境
摘要 - Cloud Computing是世界各地企业之间的新兴选择，因为它提供了灵感和全球的Web计算机功能作为可自定义的服务。由于云服务的分散性质，安全是一个主要问题。由于入侵者对任何形式的攻击，隐私和安全性都是极大的选择，这是对按需服务成功的重大障碍。网络交通量的大量增加为日益困难和广泛的安全脆弱性开辟了道路。使用传统的入侵检测系统（IDS）防止这些尝试无效。因此，本文提出了一种基于机器学习（ML）模型的新型网络入侵检测系统（NIDS），称为支持向量机（SVM）和极端梯度增强（XGBoost）技术。此外，基于乌鸦搜索算法的高参数优化技术正在利用来优化NID的性能。此外，基于XGBoost的特征选择技术用于提高NIDS方法的分类精度。最后，使用NSL-KDD和UNR-IDD数据集评估了提出的系统的性能，实验结果表明，它的性能优于基线，并且有可能在现代NID中使用。
对联邦入侵检测系统的全面调查：技术，挑战和解决方案
，KILA，KOZANI，KOZANI，50100，希腊B电气和计算机工程系，西马其顿大学，校园Zep Kozani，Kozani，Kozani，50100，Greece c Tecnalia，Basque研究与技术联盟（BRTA） Mikeletegi Pasealekua, 2, 20009 Donostia, SS, Derio, 48160, Spain d Industrial Systems Institute / Research Center “ATHENA”, Patras Science Park building Platani, Patras, 26504, Greece e Secure Systems Laboratory, Department of Digital Systems, University of Piraeus, 80 Karaoli & Dimitriou, Piraeus, 18534, Greece f Department of Computer科学，德国人，特拉斯大学，卡瓦拉校园，卡瓦拉，65404，希腊网络和数字媒体系，金斯敦大学，伦敦金斯敦大学，彭斯顿，泰晤士河，泰晤士河，萨里，伦敦，伦敦，KT1 2EE，英国，英国，KILA，KOZANI，KOZANI，50100，希腊B电气和计算机工程系，西马其顿大学，校园Zep Kozani，Kozani，Kozani，50100，Greece c Tecnalia，Basque研究与技术联盟（BRTA） Mikeletegi Pasealekua, 2, 20009 Donostia, SS, Derio, 48160, Spain d Industrial Systems Institute / Research Center “ATHENA”, Patras Science Park building Platani, Patras, 26504, Greece e Secure Systems Laboratory, Department of Digital Systems, University of Piraeus, 80 Karaoli & Dimitriou, Piraeus, 18534, Greece f Department of Computer科学，德国人，特拉斯大学，卡瓦拉校园，卡瓦拉，65404，希腊网络和数字媒体系，金斯敦大学，伦敦金斯敦大学，彭斯顿，泰晤士河，泰晤士河，萨里，伦敦，伦敦，KT1 2EE，英国，英国，KILA，KOZANI，KOZANI，50100，希腊B电气和计算机工程系，西马其顿大学，校园Zep Kozani，Kozani，Kozani，50100，Greece c Tecnalia，Basque研究与技术联盟（BRTA） Mikeletegi Pasealekua, 2, 20009 Donostia, SS, Derio, 48160, Spain d Industrial Systems Institute / Research Center “ATHENA”, Patras Science Park building Platani, Patras, 26504, Greece e Secure Systems Laboratory, Department of Digital Systems, University of Piraeus, 80 Karaoli & Dimitriou, Piraeus, 18534, Greece f Department of Computer科学，德国人，特拉斯大学，卡瓦拉校园，卡瓦拉，65404，希腊网络和数字媒体系，金斯敦大学，伦敦金斯敦大学，彭斯顿，泰晤士河，泰晤士河，萨里，伦敦，伦敦，KT1 2EE，英国，英国
